1. 研究目的与意义
股市，众所周知的是，他是财富再分配的产所，很多人通过股票市场进行理财，进行投资，但是很多时候并不了解现在市场上大体的投资情绪，不了解现在市场的行情，所以容易错失机会或者跟风进入股票市场却不幸被套，因此对于市场的整体把控非常重要，所以我们可以通过对股指的预测对整个市场有一个提前的预判。
上证380相当于股票指数，它是反映不同时期的股价变动情况的相对指标，也就是将第一时期的股价平均数当作另一时期的股价平均数的基准的百分比，通过股票指数，人们可以了解到计算期的股价比基期的股价上涨或者下降的百分比率，本文就是利用的是上证380指数的收盘价去计算每个网络对应整个股指的涨幅，由于大盘指数的涨跌正相关于多数股票，所以股指的涨幅也正相关于对大盘的指数。
股指的走势预示着投资者的未来的投资策略，预计了整个资本市场的经济走势，整个市场的投资者的情绪，以及股指的走势会为国家制定宏观经济政策提供依据。股指走势的预期会对投资者制定未来投资计划提供依据，通过提前预知股指的走势，判断将来市场的情绪。并且提前准备相应的措施应对不同的结果。这个选题通过之前上证380指数数据的总体计算和分析，总结出整个股指网络的特征，并且计算股指是涨是跌，通过预测是涨是跌，为投资者制定下一步投资策略，最后达到经济效益最大化。
2. 研究内容和预期目标
研究内容
本课题主要对上证380指数在下一个交易日涨跌方向进行预测。选取上证380指数近一年的历史数据，如收盘价。我们利用股票时间序列收盘价的变化，设置时间窗口，在每个窗口下计算股票之间的皮尔逊相关系数，得到相关矩阵，通过阈值法构建相应的股票网络，计算网络中的拓扑指标，如平均聚类系数，直径等。将拓扑指标作为分类模型的特征集，对应的标签是股指在下一交易日的涨跌方向，1或-1，通过分类算法预测股指的走势，我们还通过多元线性回归分析指标与股指涨幅的相关性，结合实验结果制定合理的成交策略。
拟解决的关键问题
3. 国内外研究现状
股指期货波动率建模与预测是揭示其波动运行规律和市场风险是重要途径[1]。樊明智等人针对嵌入维数较高的混沌时间序列很难在相空间中找出一种映射 关系来预测其变化趋势，提出基于序列的混沌特性参数建立RBF神经网络预测模型。该模型以相空间中的各个相点作为输入，通过高斯函数的多次复合来逼近复杂的映射关系。以具有混沌特性的上海证券交易所股指时间序列为例对模型进行了验证。结果表明，该模型具有较好的预测能力和预测精度。[2]。
至今很多人利用各种分类方法来预测股市大体的情况，魏宇运用沪深300股指期货的波动率来预测[3]，孙彬等人以上证指数为研究对象确,定模型输入指标并研究模型主要参数与预测评价指标的关系.通过与ε-SVR及传统BP算法的比较分析,表明在有限样本情况下，v-SVR模型的预测偏差较小、预测方向的准确性较高；根据预测结果,提出了一种基于v-SVR模型的投资选时策略[4]。熊志斌,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计，最终集成为整个序列的预测结果,最后结果表明集成模型的预测准确率显著高于单一模型的预测准确率[5]。比如吴朝阳比较了灰色模型和ARMA模型的股指预测效果哪一个更好，最后研究效果表明RGM-ARMA的误差小于ARIMA和GM-ARMA模型[6]。万建强试图将ARCH模型和ARIMA模型在香港股指预测方面的应用进行对比,以期为投资者选择模型进行预测时提供参考[7]。刘向丽等人基于小波多分辨率分析的预测方法， 将收益率数据分为高频部分(周期性)与低频部分(趋势性)， 对拆分后的序列进行重构， 并对重构后得到的数据分别建立ARMA模型。 实证研究表明， 小波多分辨率分析能很好地滤出日内效应，由于股指期货独特的市场特征，应将分解层数定为3，分解重构模型可以提高预测精度[8]。汪劲松等人研究了多种群遗传算法，将神经网络的初始权值和阈值作为寻优目标，利用遗传算法求出最优值，并且建立了一个多种群结构，在克服遗传算法早熟收敛的同时，可以兼顾算法的全局寻优和局部寻优。实证结果表明：优化后的神经网络模型比传统的神经网络模型有更好的预测效果[9]。吴朝阳又研究了由小波分解、灰色模型和ARMA组合模型，因此称为WGM-ARMA模型。股指预测的实例验证了WGM-ARMA模型大幅度地降低了预测误差，说明了该组合模型的有效性、实用性和可行性[10]。薛勇等人使用香港恒生期货数据为样本，分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析，并利用预测误差检验量对模型样本外的预测效果进行了实证研究。结果表明，ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势，达到了预测目的；ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势[11]。房振明等人研究了股指风险价值的预测问题。通过构造日#8220;已实现#8221;波动，并建立对数#8220;已实现#8221;标准差的ARFIMA模型，进而构造高频风险价值预测模型。同时，该模型与能够考察非对称性和长记忆性的APARCH模型进行比较。研究结果表明，高频风险价值预测模型具有明显的优势，能够更好的预测风险[12]。赛英等人提出用支持向量机(SVM)方法对其进行回归预测，并用遗传算法(GA)和粒子群算法(PSO)分别优化四种不同核函数的支持向量机，构建了八种不同的中国股指期货回归预测方案，用实证研究的方法对这八种方案的准确性和时效性进行了比较。实验结果表明粒子群算法优化的线性核函数支持向量机作为中国股指期货回归预测的模型,具有更好的预测效果[13]。
在国外也同样对股指预测模型也有一定的研究，SUN Bin等人研究了GD-FNN的股指预测模型对股市的预测的准确性，最后得出GD - FNN在上海综合指数预测中显示出较小的偏差和较高的准确性[14]。Shian-chang huang研究了一种基于遗传算法(GA)的最优时标特征提取和支持向量机(SVM)相结合的一种新的混合预测模型最后结论是与神经网络、纯支持向量机或传统GARCH模型相比，所提出的模型性能最好。均方根预测误差显著降低[15]。Ju-Jie Wang等人所提出的混合模型（PHM）的权重是由遗传算法（GA）确定的。关闭深圳综合指数（SZII）和道琼斯-琼斯工业平均指数（DJAI）的开放作为示例性的例子来评价PHM的性能。数值结果表明，该模型优于所有传统模型[16]。LU-Chi J研究了一种有效的小脑模型关节控制器神经网络（CAMC NN）用于股指预测，CMAC NN方案采用高量化分辨率和大泛化尺寸来减小泛化误差，并且使用高效和快速的哈希编码来加速多到少的映射[17]。Tung Kuang Wu等人提出了一种混合模型，结合基于小波的特征提取与RVM模型来预测股票指数。利用小波基对解释变量时间序列进行分解，提取时间尺度特征作为RVM的输入，进行非参数回归和预测。与传统的预测模型相比，这种混合模型更好[18]。
4. 计划与进度安排
撰写方案
首先用皮尔逊相关性求出股票之间的相关性得出相关矩阵，通过滑动窗口构成多个相关矩阵，其次运用阈值法构建出股票网络，找出特征集，并将特征集作为条件放入到分类算法中，进行分类预测，从而判断股票在转天是涨是跌。通过多元线性回归分析各个指标与股票涨跌的有没有相关性，根据相关性强弱判断涨跌幅是否与其相关，最后计算涨跌幅并制定相关交易策略，最后达到经济效益最大化。
研究计划
5. 参考文献
[1] 陈声利, 李一军, 关涛. 基于四次幂差修正HAR模型的股指期货波动率预测[J]. 中国管理科学, 2018(1).
[2] 樊明智, 刘道文. 基于混沌特性参数的股指神经网络建模及预测[J]. 统计与决策，2012(9): 47-49.
[3] 魏宇. 沪深300股指期货的波动率预测模型研究[J]. 管理科学学报, 2010, 13(2): 66-76.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
